多模型集成学习在机械钻速预测中的新应用
钻井的机械钻速与钻井操作参数、钻井液性能以及钻具组合等因素有关.准确预测机械钻速可以有效计算钻井成本和钻进时间,从而优化钻进参数、合理安排钻机工作人员,并为钻井设计人员提供依据.结合目前机器学习和大数据处理,利用中国西部吐哈油田历史钻井数据,建立了一种基于集成学习的钻速预测模型.其成员包括KNN(K近邻)、DT(决策树)、SVR(支持向量机)、RF(随机森林),输入7个特征影响因素,包括井深、钻压、泵压、密度、粘度、排量和转速,将拟合优度作为机械钻速预测的评价指标,结果显示集成模型的预测输出优于任何一种单一模型的结果.以7-13井为例,拟合优度R2达到了0.93以上.文中还探讨了不同集成成员的组合,结合时间成本和拟合优度发现最优组合为KNN+SVR+RF,其拟合优度在7-13,8-17,4-10井分别达到了0.9378,0.9187,0.9124.最后,以SVR为例,优化后的单一模型拟合准确性依旧低于任何一组组合模型.进一步的研究表明,有效的集成模型需要集成成员的多样性和较高的精度.这些预测结果表明,该模型为机械钻速预测提供了一种有前途的替代方案.
机械钻速、集成模型、平均原则、回归预测、组合优化
48
TP391.1;TP18(计算技术、计算机技术)
中国石油大学石油资源与勘探国家重点实验室北京资助PRP/open-1610;国家自然科学基金
2021-07-13（万方平台首次上网日期，不代表论文的发表时间）
共5页
619-622,657
